施耐德
Data Scientist
Data Scientist
发布于 6 个月前普通员工/个人贡献者
北京市
中级经验
全职员工
仅现场办公
学历未注明
数据分析与科学
Pytorch/Tensorflow
工业自动化
数据治理
时序分析
机器学习
能源管理
SCADA/DCS
SQL
AI 估算 · 20k–35k
数据科学家，工业AI建模，中级岗位薪资不错。
职位详情
关于这个职位
这是一个在施耐德公司北京办公室的数据科学家职位，专注于能源管理和工业自动化领域
你将负责从工业现场数据中挖掘价值，为AI模型开发提供数据支持，并参与从数据分析到模型效益验证的全过程
主要工作涉及能源系统优化、设备预测性维护等场景的数据建模与分析
最低要求
工作经验：1. 两年以上工业/能源领域数据科学项目经验（需提供案例，如风电预测、电网负荷优化、工厂设备健康管理等）
应届生有相关电气自动化或自动化控制领技术背景
技术栈：1. 精通Python（PyTorch/TensorFlow, Scikit-learn, Pandas）
熟悉时序分析（Prophet, LSTM, ARIMA）、异常检测算法
掌握SQL及至少1种数据库技术（如InfluxDB, TimescaleDB）
工作职责
能源场景建模：能源管理优化的数据分析，特征工程，设备建模，场景建模（如：数据中心制冷/供电系统节能、微电网调度与储能控制）
工业场景建模：针对设备预测性维护、能源消耗优化、生产流程提效等场景，开发机器学习/深度学习模型（如时序预测、异常检测、故障诊断）
工业数据治理：处理传感器时序数据（SCADA/DCS系统）、设备日志、能源计量数据，解决数据缺失、噪声干扰等工业现场问题
跨部门协作：与自动化工程师、领域专家合作，理解业务场景，与算法产品，算法研发合作，完成数据建模，设计AI算法模型
价值闭环验证：设计A/B测试，量化模型对能耗降低、故障率下降、产能提升的实际效益
优先资格
技术栈：4. 了解工业通信协议（MQTT, Modbus）或边缘计算框架（AWS Greengrass, Azure IoT Edge）者优先
领域知识：理解能源系统（电网/热力/油气）或工业自动化（PLC/SCADA/OT系统）基础逻辑者优先
AI 洞察
优缺点分析
优点
- 行业前景好：能源管理和工业自动化是数字化转型和碳中和背景下的核心领域，技能具有长期价值
- 技术栈实用：工作涉及从数据处理到模型验证的全链路，能积累扎实的工业AI实战经验
- 平台优势：施耐德是全球能效管理和自动化领域的领导者，能接触到真实的行业场景和大型项目
- 跨领域沟通要求高：需要与自动化工程师、领域专家频繁协作，对沟通和业务理解能力要求高
- 适合对工业AI应用有浓厚兴趣，具备扎实数据科学基础，并愿意深入理解能源或自动化业务逻辑的技术人才
缺点 / 挑战
- 数据复杂性高：工业现场数据噪声大、缺失多，数据清洗和特征工程挑战较大
- 价值验证压力：模型需要最终落地并产生可量化的节能或增效效益，对结果导向要求严格
角色解读
- 技术深度上，可以从数据科学家向算法专家或AI架构师发展，专注于更复杂的模型优化和部署
- 业务广度上，可以深入了解能源或工业的特定垂直领域，成为既懂技术又懂业务的解决方案专家或产品经理
- 在能源和工业自动化场景中，负责数据清洗、特征工程和模型构建，例如为数据中心节能或设备预测性维护开发时序预测模型
- 处理来自工业现场（如SCADA系统）的复杂时序数据，解决数据质量问题，为AI算法提供可靠的数据基础
- 与自动化工程师和领域专家紧密合作，将业务需求转化为数据科学问题，并设计A/B测试来验证模型的实际业务价值
- 扎实的数据科学技能：精通Python及主流机器学习库（如PyTorch, Scikit-learn），熟练掌握时序分析和异常检测算法
- 工业数据处理能力：能够处理传感器时序数据，掌握SQL和时序数据库（如InfluxDB）的使用
- 领域知识理解：需要对能源系统（如电网）或工业自动化（如PLC/SCADA）的基础逻辑有基本了解，以便与业务方有效沟通
申请策略
- 申请前，建议了解施耐德在能效管理和工业自动化方面的主要产品和解决方案，以便在面试中展现你对公司业务的兴趣和了解
- 准备好1-2个能体现你解决复杂数据问题、跨部门协作或取得实际业务价值的详细项目案例
- 重点突出与工业或能源相关的数据科学项目经验，详细描述项目背景、你负责的数据处理与建模工作、以及最终取得的量化成果（如能耗降低百分比）
- 在技能部分明确列出要求的Python库（PyTorch/TensorFlow, Pandas）、时序分析工具（如LSTM, ARIMA）和数据库技术（SQL, InfluxDB）
- 如果有自动化、电气工程相关背景或了解工业协议（如Modbus），务必在简历中清晰体现
- 如果对工业自动化系统不熟悉，可以提前学习SCADA/DCS系统的基本概念和工业通信协议（如MQTT, Modbus）的基础知识
- 加强时序数据处理的实战练习，例如使用公开的传感器数据集进行预测或异常检测项目
面试指南
- 对于项目经验类问题，建议使用STAR法则（情境、任务、行动、结果）结构化回答，重点突出你的技术动作和量化成果
- 对于技术方案设计问题，可以先澄清业务目标和数据假设，再分步骤阐述数据预处理、特征工程、模型选择和评估验证的思路
- 请分享一个你在工业或能源领域的数据科学项目，你遇到了哪些数据挑战，是如何解决的？
- 你如何为一个工业设备的预测性维护场景设计机器学习模型？会考虑哪些特征和算法？
- 请解释一下时序预测中LSTM和ARIMA模型的区别及适用场景
- 如果工业现场传感器数据存在大量缺失和噪声，你会如何处理？
- 你如何设计实验（如A/B测试）来验证一个节能优化模型的实际效果？
- 深入复习职位要求中提到的技术栈，特别是Python数据处理、时序分析算法和SQL，准备好可能的代码白板测试
职位点评
Watch Jobs